分选仪广泛应用于诸多领域的不同尺度的物体分选,例如水体中存在种类众多颗粒,对其进行检测与分离具有重要的应用前景。目前常用的颗粒分选系统都是针对特定颗粒根据荧光标记等性质进行分析分选,具有很好的分选性能,检测通量高。人工智能目前发展迅速,其图像识别技术具有较高的识别准确度与识别速度。将图像智能识别技术应用于颗粒分析分选,能够“所见即所得”,得到荧光标记所得不到的信息,包括颗粒的大小、破损信息等。想要高效的完成图像的分析,获取高清晰度的图像是关键,而目前分析仪液路系统由于材料透光度有限、杂质粘附等问题,很难保证高质量的成像环境。因此需要设计专门的液路系统,平稳相界面特性,削弱界面产生的折射。流式细胞仪拥有目前最先进的分析分选技术,本文借鉴流式细胞仪的液流技术发展了基于图像分析的颗粒分选仪原理性样机,设计了一套保证高成像质量的鞘流流动系统,并完成了基于人工智能图像识别技术的颗粒分析系统的建立。本文主要围绕颗粒分选仪原理性样机中液流系统、计算机检测分析系统展开设计与研究:（1）完成液流系统的鞘流喷嘴的设计与三维建模:高正确率的分选首先要保证颗粒以单队列形式通过检测区域,借鉴流式细胞仪技术,确定使用鞘流聚焦的方案;根据鞘流聚焦原理,所设计的结构可满足颗粒成像清晰、免清洗、简易等特征,使用Solid Works建模软件设计了鞘流喷嘴的结构并完成三维建模;此结构连接样品液、鞘液、保护气,圆形口流入矩形口流出,并且考虑了圆口流入向矩形口流出的过渡,鞘液出流方向指向样品液出流方向,垂直导流板使聚焦的样品液在其约束下在空气中形成局部的平行液面,减少光的折射散射。（2）完成液流系统实验台的搭建并验证所构建鞘流流场的可行性:首先通过COMSOL数值模拟软件对鞘流喷嘴的射流流场进行数值仿真,分析气液界面平整的影响因素及影响样品流聚焦的因素,发现影响气液界面最重要的参数为气液两相速度相对大小。并定义了样品液与鞘液的相对流速比,研究分选不同粒径时对应的鞘液样品液相对流速。结果表明:为平稳界面,保护气流速需大于液体流速,低流速反而加剧了界面的波动;存在使得界面平整的最优相对值,这个时候是个动态平衡状态;存在两个阶段,一个是静动状态,一个是高速气流使液体克服重力影响抑制波动阶段。最后借助3D打印技术完成鞘流喷嘴的实体加工,设计液流系统并对其组成设备进行选型,将组成设备装配最后完成液流系统实验台的搭建,并进行实验,验证保护气对气液界面的稳定效果。（3）完成深度学习神经网络基本模型的可行性验证:神经网络模型是最基本且核心的模型,完成此模型的构建与应用,为后续YOLOv3模型的理解与应用提供依据;使用Python语言在Tensor Flow平台完成多层感知机模型以及卷积神经网络模型的构建,通过获取风洞实验数据以及网上爬取图像作为数据集训练模型,最终多层感知机模型的回归准确率达到98.59%,卷积神经网络模型的分类准确率达到80.18%。（4）构建目标检测深度学习模型YOLOv3模型,完成YOLOv3模型作为分析系统核心算法的可行性:购买空心微珠,并在显微镜下的将其成像,对成像数据进行数据增强处理后构建数据集,完成YOLOv3模型运行环境的配置,调节参数并训练模型;结果表明,训练好的模型能够有效地对颗粒图像进行检测,虽然存在部分漏检的现象,继续优化模型是可以将YOLO算法作为分析系统的核心算法。